Sibo-Zhao/OpenPraxis

解决的问题

人们收集笔记、文章和反思，但往往无法留存和应用它们。OpenPraxis 将原始输入转化为练习循环——生成问题、回答问题、获取评分并制作洞察卡片——从而使知识变得可用。

工作原理

您可以使用 praxis add 添加文件（文本、markdown 或图像）。对于图像，具备视觉能力模型会先提取文本。系统会按类型（报告、访谈、反思、想法）对输入进行分类并存储。然后，您可以使用 praxis practice 生成练习场景，并可选择指定角色、上下文和时间限制。场景是基于源材料的问题或练习。您可以使用 praxis answer 回答，可选择在编辑器中或从文件中回答。答案会经过评估和评分。您可以继续进行后续跟进，直到评估完成。对话会被保存。您还可以从输入中生成“洞察卡片”，总结关键要点。所有数据均本地存储；搜索和列表命令无需调用 LLM 即可运行。作为 OpenClaw 技能运行时，LLM 调用使用宿主代理的模型，无需设置 API 密钥。独立 CLI 用户可配置自己的提供商（openai, doubao, kimi, deepseek）。架构通过后端抽象将业务工作流与 LLM 调用分离开来。

适用人群

希望从代理对话中留存知识的 OpenClaw 用户，以及希望为笔记和文档建立结构化练习系统的独立 CLI 用户。它适合希望将信息转化为可操作技能的学习者、专业人士和团队。

亮点

• 与 OpenClaw 的零配置集成：使用宿主代理的模型。
• 接受文本和图像输入，支持基于视觉的文本提取。
• 生成带有角色、上下文和时间限制的练习场景。
• 评估答案并评分，保存完整的对话历史。
• 本地搜索和列表命令，无需调用 LLM。
• 支持多种 LLM 提供商：OpenAI, Doubao, Kimi, DeepSeek。
• 支持导出为 markdown 或 JSON。
• 待处理的会话在 CLI 重启后依然保留。